- 博客(21)
- 收藏
- 关注
RSS订阅原创 Entropy二维熵（学习笔记）
构造的图像二维熵可以在图像所包含信息量的前提下，突出反映图像中像素位置的灰度信息和像素邻域内灰度分布的综合特征。，为了表征这种空间特征，可以在一维熵的基础上引入能够反映灰度分布空间特征的特征量来组成图像的二维熵。其中，(L) 是灰度级别的数量，p i 是灰度值为 (i) 的像素在图像中出现的概率。这个一元灰度熵的计算利用了香农熵的概念，衡量了图像中灰度分布的聚集特征所包含的信息量。作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组，记为。图像的一维熵可以表示图像灰度分布的聚集特征，却。
2024-07-16 15:23:33
311
原创 Camera link（学习笔记）
Camera Link协议明确的规定了每对LVDS上传输的数据。先看下图：上面的图画了两个连接器，图中所标的序号123是第一个连接器，45是第二个，对应了不同的camera link配置（base/medium/full）。base模式只需要看下面的连接器，可以看到下面的连接器中有3组信号：1、串行通讯；2、控制；3、视频。图中所标序号3这组信号是使用的channel link协议传输的，本小节重点说明3各个bit所代表的内容。这里通过两个表来说明。
2024-07-01 10:37:00
936
原创 顶帽变换（Top_hat）算法（学习笔记）
红外图像中的弱小目标的目标属性包涵“弱"和“小’’两个方面：“弱’’是指目标在红外波长上所表现出来的强度，具体反映到所拍摄的红外图像上，就是指目标的灰度值；而“小’’是指目标的尺寸大小，也就是前面所述的成像面积很小，反映到红外图像上就是指目标所占的像素数目很少。SPIE国际光学工程学会(Societyof Photo一0ptical Instrumentation Engineers，简记为SPIE)从1989年开始，几乎每年都会举办有关弱小目标检测技术的国际会议，研讨弱小目标检测技术的最新研究成果。根据S
2024-04-16 13:57:50
513
1
原创 FPGA串口接收
/ 例：采样7次，每次的结果相加，最终的结果：0、1、2、3为低电平，4、5、6、7为高电平。// 思路：一位数据采样多次，统计高低电平出现的次数，次数多的为该位的电平值。// 将一个数据分为16段，舍弃前5段和后4段，取中间7段进行采样。// 起始位检测：通过边沿检测电路。// 基本原理：采样。
2024-04-08 10:09:52
226
原创 串口发送数据（学习笔记）
功能：使用串口发送模块，设计一个数据发送器，每10ms以115200的波特率发送一个数据，每次发送的数据比前一个数据大（计数器）设置Send_Go作为数据发送控制。
2024-04-02 15:39:38
225
1
原创 LCM局部对比度检测原理（学习笔记）
我们知道这个kernel是在图片上进行滑动的，那么他一直滑啊滑，终于有一天，这个kernel的正中央（0号区域）滑到了目标的位置，这样，0号区域中的灰度和周围8领域的灰度差异就显现出来了。此时，通过contrast的计算方法，我们可以分别计算出1-8号区域与0号区域的contrast，也就分别代表了0号区域的灰度与其他区域之间的灰度差异。公式里，i代表1-8号区域的序号，N是每个区域内像素点的总数，j代表每个区域内像素点的序号，I代表像素点的灰度值。之前我们说过，我们要定量的描述目标和背景之间灰度的差异。
2024-04-01 14:58:42
891
原创 基于FPGA的串口（UART）实验（学习笔记）
3.串口通信的本质：将8位的并行数据通过一根信号线，在不同时刻传输并行数据的不同位，通过不同时刻，最终将8位数据全部传出；5.控制信号EN：控制并转串模块什么时候开始工作，什么时候一个数据发送完成，所以需要一个开始信号，一个结束信号。4.串口通信以1位的低电平标志串行传输的开始，待9位数据传输完成之后，在以1位高电平标志传输结束；1.串口通信模块设计的目的：发送数据，因此需要一个数据输入端口；2.串口通信：支持不同的波特率，所以需要一个波特率设置端口；
2024-03-28 16:18:53
206
原创 空间距离（学习笔记）
与欧氏距离不同，曼哈顿距离沿着坐标轴方向的距离是等价的，因此它更适用于那些仅能沿着网格线移动的情况。在机器学习中，欧氏距离通常用作样本之间的相似性度量，例如在 k 近邻算法中，以及在聚类算法中，如 k-means 算法。（Chebyshev distance），也称为棋盘距离或L∞ 范数，是在几何空间中两个点之间的距离度量，它定义为两点之间各坐标数值差的最大值。简而言之，欧氏距离就是两点之间的直线距离，它基于各个维度上的差异的平方和的平方根来衡量距离。与欧氏距离不同，明氏距离考虑了各个特征之间的。
2024-03-25 14:33:33
941
原创 MATLAB拉普拉斯算子（学习笔记）
拉普拉斯算子是一种经典的微分算子，通常用于图像处理和计算机视觉中的边缘检测和特征提取。它可以帮助我们捕获图像中的细节和结构，并且在许多图像处理任务中被广泛使用。边缘通常是图像中灰度变化的地方，而拉普拉斯算子在这些地方会有较大的响应。3. 特征提取：在图像识别和分类任务中，拉普拉斯算子可以用于提取图像的特征，以帮助区分不同的对象类别。1. 图像增强：拉普拉斯算子可以用于增强图像中的细节和边缘，使它们更加突出。2. 边缘检测：拉普拉斯算子通常与阈值处理结合使用，用于检测图像中的边缘。
2024-03-20 14:12:37
952
1
原创 图像显著性检测算法（学习笔记）
剩下的像素颜色，包含不高于5%的图像像素，这部分颜色被。基于局部对比度的方法，先将图像分割成小区域，采用的分割方法是基于图的分割，基本分割思想是将每个像素点作为无向图的顶点，两个像素点之间的不相似度作为边的权重，要求连接相同区域内的两个顶点的边的最大权重要小于连接不同区域的顶点的边的最小权重，在迭代过程中进行顶点归纳与区域合并。其中：Iu为图像的平均特征，使用Lab颜色特征，后一项为像素p在高斯平滑后的Lab颜色特征，||.||为L2范式，即计算前一项和后一项在了Lab颜色空间的。1*256矩阵记录。
2024-03-13 15:14:44
1564
原创 关于数字特征（学习笔记）
灰度图像的方差是衡量图像中像素值分散程度的一个重要参数，它可以帮助评估图像的噪声水平和模糊度。具体来说，方差越大，表明图像中的灰度变化越剧烈，通常意味着图像包含更多的细节和纹理，可能的噪声也越多；例如，在图像处理中，高方差的区域可能对应于边缘或纹理区域，而低方差的区域则可能是平滑或均匀的区域。因为异常值与平均值的距离通常比较远，会导致数据的离散程度变大。因此，在处理数据集时，需要针对异常值进行特殊处理，以避免它们对数据的统计分析造成影响。通常情况下，标准差越小，说明数据点越聚集在平均值附近，数据越稳定；
2024-03-12 14:04:23
384
1
原创 FPGA开发流程
4.分析综合工具Synthesis->run（由专业的EDA软件提供，如：Quartus、Vivado、ISE）：对所写的逻辑描述内容进行分析，并得到逻辑门级别的电路内容；5.功能仿真Simulation Sources（逻辑仿真）使用专门的仿真工具进行仿真，验证设计的逻辑是否可以实现；3.编写逻辑Design Sources（Verilog语言代码描述逻辑）、画逻辑图、使用IP核（封装好的逻辑）；3.分析综合（EDA、Quartys、Vivado）7.分析性能：时序分析（耗时）、静态时序分析；
2024-03-11 17:02:20
965
1
原创 红外小目标检测数据分析Infrared Small Target Detection Data Analysis
除了水面上的目标外，海洋中还可能存在水下目标，例如潜艇、水下无人航行器等，这些目标的红外特性与水面上的目标有所不同，需要特殊的检测和识别技术。: 天空的天气条件如晴天、多云、雨天等会影响红外图像的质量和目标的检测能力，不同的天气条件下红外小目标的识别难度可能会有所不同。: 有时候，红外小目标与周围环境的温度差异并不十分明显，这可能导致目标与背景的对比度较低，增加了目标的检测和识别难度。: 天空背景下的红外小目标受到天气条件的影响，如晴天、多云、雨天等不同的天气条件会影响红外图像的质量和目标的检测能力。
2024-03-06 15:13:37
470
原创 拉普拉斯算子（学习笔记）
一种，与其它边缘检测方法的不同之处在于，该方法是一种的检测方法，即其边缘的增强程度与边缘的方向无关，从而可以满足不同走向的边缘锐化的要求。表示为：拉普拉斯算子（二阶微分算子）不具备噪声敏感性，且会产生双边缘和不能检测到边缘的方向。
2024-03-05 10:44:05
441
原创 Canny算法（学习笔记）
计算类间方差是大津方法（Otsu's method）中的关键步骤之一，用于评估每个可能的阈值对图像进行分割时两个类别（前景和背景）之间的差异程度。它将图像分为不同的区域或对象。选择使类间方差最大的阈值作为最终的分割阈值，这样可以确保分割后的两个类别之间的差异最大化，从而达到最佳的图像分割效果。4. 计算类间方差：对于每个可能的阈值，将图像分割为两个类别（前景和背景），然后计算两个类别之间的类间方差。假设我们选择一个阈值T，将图像分割成两个类别C0和C1，其中C0为小于等于T的像素值，C1为大于T的像素值。
2024-03-04 15:19:35
1056
1
原创 红外小目标检测指标（Infrared Small Target Detection Evaluation Metrics）学习心得
它通过描绘不同阈值下的真正例率（True Positive Rate，TPR）和假正例率（False Positive Rate，FPR）来展示分类器的表现。此外，ROC曲线下的面积（Area Under the Curve，AUC）可以量化分类器的整体性能，AUC值越接近1，表示分类器的性能越好。曲线上的每一个点都对应着一个特定的分类阈值，从而反映出分类器在不同阈值下的敏感性和特异性。是真正例率（TPR）：表示检测到的真目标是实际目标的可能性，称为虚警比。描述算法处理后目标增强的显著性；
2024-03-03 14:15:54
786
原创 盒子滤波（BOX FILTER）方框滤波学习笔记
3、将矩形模板（紫色）从左上角（0，0）开始，逐像素向右滑动，到达行末时，矩形移动到下一行的开头（0，1），如此反复，每移动到一个新位置时，计算矩形内的像素和，保存在数组A中。4、每次紫色矩形向右移动时，实际上就是求对应的蓝色矩形的像素和，此时只要把上一次的求和结果减去蓝色矩形内的第一个红色块，再加上它右面的一个红色块，就是当前位置的和了，用公式表示 sum[i] = sum[i-1] - buff[x-1] + buff[x+m-1]Haar特征得名于其与原始的Haar小波变换在计算方式上的相似性。
2024-03-03 13:31:13
1181
原创 局部对比度和区域显著性红外弱小目标检测LCM（学习笔记）
https://blog.csdn.net/wuyanxue/article/details/122116336?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522170856355216800188552896%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=170856355216800188552896&biz_id=0&utm_medium
2024-02-22 09:22:20
699
1
原创 Fast-saliency算法（学习笔记）
论文出自：[1] S. Qi, G. Xu, Z. Mou, D. Huang, and X. Zheng, "A fast-saliency method for real-time infrared small target detection," Infrared Phys Techn, vol. 77, pp. 440-450, Jul 2016.由于红外图像的距离较远，目标在红外图像中所占像素非常少，且通常存在随机噪声和非平稳杂波，缺乏足够的结构信息来进行检测和匹配。检测准确度高，速度快。
2024-01-16 14:33:35
252
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人